Lý do Auto-label là tính năng NotebookLM không thể thiếu trong nghiên cứu

Thư mục đã trở thành thói quen của chúng ta đến nỗi khó có thể nghĩ đến việc làm gì đó mà không có chúng. Thực ra, "notebook" của NotebookLM là một cách để xem xét thư mục. Nhưng nếu upload 50 nguồn vào đó, nó sẽ trở thành một mớ hỗn độn. Khi notebook bắt đầu vượt quá 20 hoặc 30 nguồn, bảng Sources trở nên khó điều hướng. Nhãn sẽ giúp giải quyết vấn đề đó. Chúng sẽ thay đổi cách bạn tổ chức nghiên cứu của mình trong NotebookLM ngay từ đầu.

Khi bạn có hơn 5 nguồn, nút Auto-label sẽ xuất hiện trong bảng Sources của NotebookLM. Chỉ cần một cú nhấp chuột, NotebookLM sẽ phân tích tất cả các nguồn của bạn và tạo ra các danh mục theo chủ đề. Tính năng tự động nhỏ bé này có thể được sử dụng theo nhiều cách sáng tạo.

Tính năng Auto-label giúp loại bỏ sự hỗn loạn ngay lập tức

Chỉ một cú nhấp chuột đã có thể sắp xếp lại một cuốn notebook lộn xộn

Khi bạn có 5 nguồn trở lên trong một notebook, nút Auto-label sẽ xuất hiện trong bảng Sources. Nhấp vào đó và NotebookLM sẽ đọc nội dung của từng nguồn và sắp xếp chúng thành các cụm chủ đề. AI thực sự đọc và tự động nhóm các nguồn của bạn thành những danh mục cấp cao. Bạn không cần phải đổi tên nguồn hoặc lo lắng về thứ tự upload.

Các cụm mà nó tạo ra khá chính xác. Đôi khi, một tính năng duy nhất có thể thay đổi cách bạn thực hiện nghiên cứu trong NotebookLM.

Các nhãn không cần phải cố định. Nếu bạn muốn xem bố cục truyền thống của mình, hãy chọn Return to list view. NotebookLM cho phép bạn chuyển đổi qua lại. Để tạo tên nhãn của riêng bạn, bạn có thể tạo một nhãn mới, đổi tên nó và đánh dấu thủ công cho các nguồn có liên quan.

Nhãn giúp bạn nhận ra những lỗ hổng trước khi bắt đầu

Xem nhanh những điểm mù trong nguồn tài liệu của bạn

Sau khi các nguồn được gắn nhãn, bảng này trở thành một công cụ kiểm tra trực quan cho nghiên cứu của bạn. Một cụm ít nguồn dưới mục "Psychology of Learning" cho bạn biết điều gì đó trước khi viết bất kỳ từ nào. Ngược lại, một nhãn với 10 nguồn có nghĩa là bạn đang tập trung quá nhiều vào một khía cạnh và chưa được bao phủ đầy đủ ở khía cạnh khác. Điều chúng ta có thể hướng tới là sự cân bằng.

Trước đây, với một danh sách nguồn dài dằng dặc, việc có được cái nhìn tổng quan như vậy là điều không thể. Bạn thường chỉ chọn và bỏ chọn các tài liệu và kiểm tra tóm tắt như bước đầu tiên khi bắt đầu dự án. Giờ đây, bạn có thể đánh giá chất lượng nghiên cứu trước khi bắt đầu với các prompt.

Vì vậy, hãy xem xét các cụm nhãn. Nếu một cụm trông có vẻ ít nguồn, hãy thêm nhiều nguồn hơn. Khi bạn thêm tài liệu mới, chúng sẽ không làm xáo trộn bố cục hiện có. Thay vào đó, chúng xuất hiện trong một danh sách theo thứ tự bảng chữ cái bên dưới các danh mục đã được gắn nhãn của bạn dưới dạng những nguồn chưa được gắn nhãn. Để sắp xếp chúng, hãy nhấp vào nút Auto-label và chọn Reorganize unlabeled sources.

Bạn có thể lọc nguồn trong khi đang trò chuyện

Tập ​​trung các công cụ của NotebookLM vào chính xác những gì bạn cần

Nhãn giống như những sandbox nhỏ. Bạn có thể bật và tắt toàn bộ nhóm nhãn trong khi đang trò chuyện với NotebookLM. Chọn một hoặc hai nhãn và tắt tất cả những nhãn khác. AI sẽ trả lời bằng những câu trả lời có cơ sở dựa trên bất kỳ nguồn nào đang hoạt động. Ví dụ, xây dựng một phần dựa trên các nghiên cứu trường hợp? Chỉ kích hoạt nhóm đó. Nó giống như một lớp bổ sung của cơ sở kiến ​​thức riêng tư.

Nhiều người từng nghĩ rằng điều này là không cần thiết vì phản hồi của NotebookLM chỉ dựa trên tài liệu chúng ta đã upload lên. Nhưng các nguồn được tập trung sẽ tạo ra câu trả lời tốt hơn. Khi bạn sử dụng ngay cả những prompt được thiết kế tốt của NotebookLM trên 30 nguồn, câu trả lời vẫn bao gồm những thứ bạn không cần từ các chủ đề khác.

Thu hẹp lại thành một nhóm được gắn nhãn, các câu trả lời sẽ sắc bén hơn, ít bị lẫn tạp hơn và dễ kiểm chứng hơn. Việc chuyển đổi mất 5 giây. Nó giúp tăng tốc độ phản hồi trò chuyện vì cửa sổ ngữ cảnh được thu hẹp lại. Bạn có thể sử dụng công cụ trò chuyện để tìm ra những thiếu sót trong nghiên cứu của mình.

Dựa trên các nguồn tài liệu trong nhóm cụ thể này, đâu là những khoảng trống logic, điểm dữ liệu bị thiếu hoặc những khía cạnh chưa được đề cập?

Một nguồn có thể thuộc nhiều nhãn

NotebookLM cho phép một nguồn duy nhất mang nhiều hơn một nhãn. Một bài nghiên cứu về "The Synergy of Spaced Repetition and Retrieval Practice" có thể nằm trong cả "Spaced Repetition" và "Learning Strategies". Một báo cáo thị trường có thể nằm trong "Data Sources" và "Competitive Analysis" cùng một lúc. Hệ thống sẽ gắn thẻ cho nó ở bất cứ nơi nào phù hợp.

Ở đây, nhãn không hoạt động như thư mục; nó giống một hệ thống gắn thẻ hơn là một tủ hồ sơ. Tính năng Hỗ trợ nhiều nhãn này giúp ích rất nhiều cho nghiên cứu. Các nguồn của bạn hiển thị ở bất cứ nơi nào chúng có liên quan mà không cần sao chép thủ công.

Giờ đây, bạn có thể so sánh các cụm với nhau để tìm ra những nguồn nghiên cứu giá trị. Ví dụ, chọn hai danh mục đối lập hoặc liền kề và gợi ý cuộc trò chuyện (xem ảnh chụp màn hình trong thư viện ở trên):

Phân tích những mâu thuẫn, điểm xung đột hoặc bất đồng cốt lõi giữa các nguồn trong Nhãn A và các nguồn trong Nhãn B.

Sử dụng các cụm nhãn để tạo ra kết quả Studio chính xác

Chia nhỏ quá trình học tập và truy xuất thông tin bằng Labels

Thay vì tạo Audio Overview, Slide Deck hoặc bộ Flashcard chung cho toàn bộ notebook của bạn, bạn có thể chọn một cụm nhãn duy nhất và tạo ra kết quả Studio.

Điều này tạo ra một podcast hoặc bản trình bày cực kỳ tập trung, dành riêng hoàn toàn cho chủ đề phụ đó mà không bị loãng bởi phần còn lại của notebook. Ví dụ, nhiều người luôn thấy khó khăn khi xử lý sơ đồ tư duy từ quá nhiều nguồn trên màn hình hạn chế của laptop.

Điều này đặc biệt hữu ích để nâng cao chất lượng Audio Overview của NotebookLM. Một notebook NotebookLM lớn có thể dẫn đến một podcast lan man từ AI host. Giữ cho nó cụ thể không chỉ tiết kiệm thời gian mà còn giúp bạn dễ dàng phân tích và thêm các câu hỏi tiếp theo của riêng mình vào podcast.

Hãy thử Labels trên notebook lộn xộn nhất của bạn!

Nhãn sẽ không sắp xếp lại suy nghĩ của bạn. Nhưng chúng sẽ cho bạn thấy chính xác những gì mình đã làm việc từ trước đến nay. Và đó thường là điểm khởi đầu rõ ràng nhất cho nghiên cứu mà bạn muốn thực hiện. Hãy sử dụng nó để phát hiện những thư mục quá trống rỗng và chỉ ra những chủ đề mà bạn hoàn toàn quên mất.